当 Python 程序发生异常时，通常会打印一个 traceback。知道如何阅读 traceback 可以帮助您轻松识别错误并进行修复。在本教程中，我们将了解 traceback 可以告诉我们什么。完成本教程后，您将了解：如何阅读 [...]
Python 中的函数式编程
Python 是一门很棒的编程语言。在开发机器学习或数据科学应用程序时，它很可能是您的首选。Python 之所以有趣，是因为它是一门多范式编程语言，可用于面向对象编程和命令式编程。它具有简单易读的语法。 [...]
Python 类及其在 Keras 中的使用
类是 Python 语言的基本构建块之一，可用于开发机器学习应用程序。正如我们将看到的，用于开发类的 Python 语法很简单，可以应用于在 Keras 中实现回调。在本教程中，您将了解 Python 类及其 [...]
Python 中的一些语言特性
Python 语言的语法非常强大且富有表现力。因此，在 Python 中表达算法非常简洁。也许这就是它在机器学习领域流行的原因，因为我们在开发机器学习模型时需要进行大量实验。如果您是 Python 新手，但有另一种编程语言的经验 [...]
拉格朗日乘数法：支持向量机背后的理论（第3部分：在Python中从零开始实现SVM）
驱动支持向量机 (SVM) 分类器的数学非常优美。不仅要学习 SVM 的基本模型，还要了解如何从头开始实现整个模型。这是我们 SVM 系列教程的延续。在本系列的第 1 部分和第 2 部分，我们 [...]
拉格朗日乘数法：支持向量机背后的理论（第2部分：非线性可分情况）
本教程是对“拉格朗日乘数法：支持向量机背后的理论（第 1 部分：可分情况）”的扩展，解释了不可分情况。在实际问题中，正例和负例训练样本可能无法被线性决策边界完全分开。本教程解释了如何构建软间隔 [...]
微分在神经网络中的应用
微分学是机器学习算法中的重要工具。特别是神经网络，梯度下降算法依赖于梯度，而梯度是通过微分计算得出的。在本教程中，我们将了解反向传播技术在查找神经网络梯度中的应用。完成本教程后，您将了解 [...]
拉格朗日乘数法：支持向量机背后的理论（第1部分：线性可分情况）
本教程旨在帮助任何希望更深入地了解拉格朗日乘数法如何用于构建支持向量机 (SVM) 模型的人。SVM 最初是为解决二元分类问题而设计的，后来扩展并应用于回归和无监督学习。它们在解决许多复杂的机器 [...]
梯度消失问题的可视化
深度学习是最近的一项发明。部分原因是计算能力的提高，使我们能够在神经网络中使用更多的感知器层。但同时，只有在知道如何解决梯度消失问题后，我们才能训练深度网络。在本教程中，我们将直观地 [...]
使用 CNN 进行金融时间序列预测
卷积神经网络起源于图像处理。它首次出现在 LeNet 中，用于识别 MNIST 手写数字。然而，卷积神经网络不仅限于处理图像。在本教程中，我们将以金融市场的应用为例，研究使用 CNN 进行时间序列预测的示例。 [...]